NeurIPS收录的一项新研究，让大模型也学会“读心术”了！
通过学习脑电波数据，模型成功地把受试者的脑电图信号翻译成了文本。
而且整个过程不需要大型设备，只要一块特制的“头巾”就能实现。
这项成果名为DeWave，能在不通过侵入式设备和MRI的情况下解读脑电波并翻译成文本。
由于用了大模型来读脑，因此报道DeWave的iFLScience也管它叫BrainGPT。
DeWave虽然不是最早实现脑电波解码的技术，但是它第一个做到了非侵入且无需MRI的脑电波-文本转换。
如果能够规模化运用，DeWave将为脑部瘫痪的人群提供交流上的帮助。
那么，DeWave的表现到底怎么样呢？
测评成绩超SOTA
由于DeWave采用非侵入式方法，信号中的噪声更强，解析难度更高，但相比于此前的SOTA方法，DeWave的测试成绩还是有所提高。
研究团队采用了公开的ZuCo数据集，其中包含了一万多个不重复的句子；受试者进行自然阅读的同时，研究团队对他们的脑信号和正在阅读的文本进行记录。脑电波信号采样频率为500Hz，包含128个信道。
如果输入的EEG信息已经按照眼动追踪方式的特征切分好，那么DeWave大概可以准确解读出句子的三分之一；即使不切分也能够成功捕捉一部分的关键词。
研究结果还显示，DeWave对单词的解析准确率高于整句，对动词的准确率高于名词。
数据方面，研究团队一共让DeWave对29名受试者的脑电图进行了采集和解析。
结果显示，有切分时，DeWave在BLUE-N数据集上成绩比传统方法高出了3-18%，在ROUGE-1数据集上也有最高6.35%的提升。
如果不做切分，DeWave与相同条件的传统方法相比，表现最多提升了120%。
为了评估DeWave的鲁棒性，团队对其进行了跨受试者（Cross-subject）测试。
这轮测试一共有18名受试者，其中一人的脑电波相信被用于训练。
然后，研究团队观察了模型在其他17人上进行测试时的表现，与被用于训练的人差距越小，说明模型的鲁棒性越强。
结果显示，DeWave的分数下降值低于传统模型，显示出了更强的鲁棒性和泛化能力。
那么，DeWave是如何实现脑电波解码的呢？
用大模型解读脑电波
DeWave的核心是引入了名为“离散码本”的概念。
通过向量化编码器，连续的脑电图信号被拆分为离散形式，分别与词汇进行对齐。
之后，研究团队将离散化的数据送入Transformer编码器，得到上下文语义融合的向量表示。
将向量化的文本信息作为监督数据，用得到的向量化信号对BART大模型进行训练，就得到了DeWave。
新的信号解析过程也与之相似——先进行离散化和向量化编码，然后用BART对其进行解读，就得到了文本信息。
同时，为了增强可解码性研究团队还通过正负样本对编码进行调节，使DeWave解析出的语义更接近目标文本词向量。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
123?spm=1001.2014.3001.5501)这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
